Este documento describe los sistemas de recomendación, incluyendo tipos como el análisis de ítems, usuarios y asociaciones entre ellos. Explica cómo medir la similitud entre ítems y usuarios, así como algoritmos como el "Heat Spreading" que modelan las relaciones como una red bipartita. Finalmente, propone ampliar los sistemas con información semántica y social para mejorar las recomendaciones.
Capítulo 2: Estado del arte de los sistemas de recomendación, como es el proceso de recomendar un ítem y que enfoques hay para realizar sistemas de recomendación automatizados.
Capítulo 2: Estado del arte de los sistemas de recomendación, como es el proceso de recomendar un ítem y que enfoques hay para realizar sistemas de recomendación automatizados.
Contenido Social
Estamos en una era en la cual necesitamos información rápida y concisa, que nos evite navegar de un lugar a otro en busca de ella.
Estamos en una era en que las redes sociales y la Web 2.0 se han vuelto parte de nuestra vida diaria y no solo en el aspecto personal, sino también el profesional y empresarial.
A quienes les gustó esta charla también les gustó... Cómo los Sistemas de Rec...Ernesto Mislej
¿Te preguntaste cómo hace Amazon para recomendarte libros y otros productos? ¿O Netflix para sugerirte nuevas películas o series? ¿Sabías que las ventas a través de recomendaciones superan en varios órdenes de magnitud a las ventas por "top sellers"?
Sistemas de Recomendación es la disciplina derivada del Data Mining que se enfoca en el diseño de filtros personalizados sobre el catálogo de ítems que sean del gusto o del interés del usuario. Para tal fin se utiliza la historia de calificaciones realizada por el usuario y por la comunidad de usuarios.
A los sectores más populares como Video-on-Demand, Contenido Digital y eCommerce se le han sumado recomendación de espectáculos, restaurantes, noticias, gente para conocer, chistes y hasta nombres de bebés.
Daremos un repaso por los hitos más importantes de esta emergente área. Contaremos cuáles son y cómo funcionan las principales técnicas. Charlaremos sobre la problemática actual, tendencias y desafíos.
Y sentaremos las bases para armar un sistema de recomendación de vinos.
Análisis comparativo de herramientas para marcadores socialesMartin Murciego
Comparativa de herramientas actuales que sirven como marcadores sociales y para curación de contenidos. Donde cada uno cataloga sus recursos, como sitios webs, articulos, revistas, fotos, etc.
Contenido Social
Estamos en una era en la cual necesitamos información rápida y concisa, que nos evite navegar de un lugar a otro en busca de ella.
Estamos en una era en que las redes sociales y la Web 2.0 se han vuelto parte de nuestra vida diaria y no solo en el aspecto personal, sino también el profesional y empresarial.
A quienes les gustó esta charla también les gustó... Cómo los Sistemas de Rec...Ernesto Mislej
¿Te preguntaste cómo hace Amazon para recomendarte libros y otros productos? ¿O Netflix para sugerirte nuevas películas o series? ¿Sabías que las ventas a través de recomendaciones superan en varios órdenes de magnitud a las ventas por "top sellers"?
Sistemas de Recomendación es la disciplina derivada del Data Mining que se enfoca en el diseño de filtros personalizados sobre el catálogo de ítems que sean del gusto o del interés del usuario. Para tal fin se utiliza la historia de calificaciones realizada por el usuario y por la comunidad de usuarios.
A los sectores más populares como Video-on-Demand, Contenido Digital y eCommerce se le han sumado recomendación de espectáculos, restaurantes, noticias, gente para conocer, chistes y hasta nombres de bebés.
Daremos un repaso por los hitos más importantes de esta emergente área. Contaremos cuáles son y cómo funcionan las principales técnicas. Charlaremos sobre la problemática actual, tendencias y desafíos.
Y sentaremos las bases para armar un sistema de recomendación de vinos.
Análisis comparativo de herramientas para marcadores socialesMartin Murciego
Comparativa de herramientas actuales que sirven como marcadores sociales y para curación de contenidos. Donde cada uno cataloga sus recursos, como sitios webs, articulos, revistas, fotos, etc.
En este documento analizamos ciertos conceptos relacionados con la ficha 1 y 2. Y concluimos, dando el porque es importante desarrollar nuestras habilidades de pensamiento.
Sara Sofia Bedoya Montezuma.
9-1.
Las lámparas de alta intensidad de descarga o lámparas de descarga de alta in...espinozaernesto427
Las lámparas de alta intensidad de descarga o lámparas de descarga de alta intensidad son un tipo de lámpara eléctrica de descarga de gas que produce luz por medio de un arco eléctrico entre electrodos de tungsteno alojados dentro de un tubo de alúmina o cuarzo moldeado translúcido o transparente.
lámparas más eficientes del mercado, debido a su menor consumo y por la cantidad de luz que emiten. Adquieren una vida útil de hasta 50.000 horas y no generan calor alguna. Si quieres cambiar la iluminación de tu hogar para hacerla mucho más eficiente, ¡esta es tu mejor opción!
Las nuevas lámparas de descarga de alta intensidad producen más luz visible por unidad de energía eléctrica consumida que las lámparas fluorescentes e incandescentes, ya que una mayor proporción de su radiación es luz visible, en contraste con la infrarroja. Sin embargo, la salida de lúmenes de la iluminación HID puede deteriorarse hasta en un 70% durante 10,000 horas de funcionamiento.
Muchos vehículos modernos usan bombillas HID para los principales sistemas de iluminación, aunque algunas aplicaciones ahora están pasando de bombillas HID a tecnología LED y láser.1 Modelos de lámparas van desde las típicas lámparas de 35 a 100 W de los autos, a las de más de 15 kW que se utilizan en los proyectores de cines IMAX.
Esta tecnología HID no es nueva y fue demostrada por primera vez por Francis Hauksbee en 1705. Lámpara de Nernst.
Lámpara incandescente.
Lámpara de descarga. Lámpara fluorescente. Lámpara fluorescente compacta. Lámpara de haluro metálico. Lámpara de vapor de sodio. Lámpara de vapor de mercurio. Lámpara de neón. Lámpara de deuterio. Lámpara xenón.
Lámpara LED.
Lámpara de plasma.
Flash (fotografía) Las lámparas de descarga de alta intensidad (HID) son un tipo de lámparas de descarga de gas muy utilizadas en la industria de la iluminación. Estas lámparas producen luz creando un arco eléctrico entre dos electrodos a través de un gas ionizado. Las lámparas HID son conocidas por su gran eficacia a la hora de convertir la electricidad en luz y por su larga vida útil.
A diferencia de las luces fluorescentes, que necesitan un recubrimiento de fósforo para emitir luz visible, las lámparas HID no necesitan ningún recubrimiento en el interior de sus tubos. El propio arco eléctrico emite luz visible. Sin embargo, algunas lámparas de halogenuros metálicos y muchas lámparas de vapor de mercurio tienen un recubrimiento de fósforo en el interior de la bombilla para mejorar el espectro luminoso y reproducción cromática. Las lámparas HID están disponibles en varias potencias, que van desde los 25 vatios de las lámparas de halogenuros metálicos autobalastradas y los 35 vatios de las lámparas de vapor de sodio de alta intensidad hasta los 1.000 vatios de las lámparas de vapor de mercurio y vapor de sodio de alta intensidad, e incluso hasta los 1.500 vatios de las lámparas de halogenuros metálicos.
Las lámparas HID requieren un equipo de control especial llamado balasto para funcionar
Inteligencia Artificial y Ciberseguridad.pdfEmilio Casbas
Recopilación de los puntos más interesantes de diversas presentaciones, desde los visionarios conceptos de Alan Turing, pasando por la paradoja de Hans Moravec y la descripcion de Singularidad de Max Tegmark, hasta los innovadores avances de ChatGPT, y de cómo la IA está transformando la seguridad digital y protegiendo nuestras vidas.
2. Índice
¿Qué son los sistemas de recomendación?
Tipos de sistemas de recomendación
Algoritmos basados en redes
Posibles ampliaciones
Bibliografía
3. ¿Qué son las
recomendaciones?
Recomendar es la acción de sugerir a alguien
alguna cosa en la que posiblemente estará
interesado.
Ejemplos:
libros/CDs/ítems a comprar/escuchar/
consumir
otros usuarios con intereses similares
4. Tipos de sistemas de
recomendación
Para construir sistemas de recomendación nos
podemos basar en
Analizar los ítems
Analizar los usuarios
Analizar asociaciones entre ítems y
usuarios
16. Análisis de los usuarios
Ítems
recomendación
gusta
Usuarios
parecidos
17. Métricas de similitud
Ambos métodos requieren tener medidas
de similitud
entre ítems
entre usuarios
18. Cálculo de la similitud
Basadas en contenidos/perfiles
se dispone de una descripción (modelo)
(típicamente un vector de características)
funciones de distancia en un espacio n-
dimensional (euclídea, coseno, etc.)
19. Cálculo de la similitud
Basado en les asociaciones entre los usuarios
y los ítems: filtrado colaborativo
ítems comprados, consultados, leídos, etc.
por los usuarios
Trata a usuarios y productos como cajas
negras
por tanto no depende del tipo de ítem
20. Métricas en el filtrado
colaborativo
Dos ítems son similares en la medida en que
gustan/interesan/etc. a las mismas personas
Dos persones tienen gustos/intereses
similares en cuanto consumen/valoran/gustan
los mismos ítems
21. Sistemas basados en
redes de interacción
Otro tipo de soluciones aproximan el
problema desde otro punto de vista
Modelan las relaciones entre usuarios e ítems
como un grafo bipartito
Modelan el grado de “apetecibilidad” de un
ítem como:
propagación del calor
paseo aleatorio por la red
31. Uso de la información
adicional
El objetivo es aprovechar cuanta más
información sobre los ítems, mejor
De esta manera los ítems dejan de ser
“información plana”
Por ejemplo, el hecho de haber comprado un
libro, también puede dar crédito a otros libros
del mismo autor, mismo género, etc.
32. Uso de la información
adicional
También las relaciones sociales entre usuarios
pueden añadir información
(Aunque esta parte del asunto no la tengo
tan clara)
((La otra quizás tampoco))
34. Bibliografía
H. Marmanis, D. Babenko: Algorithms for the
Intelligent Web, Manning (2009).
S. Alag, Collective Intelligence in Action,
Manning (2009)
T. Segaran, Collective Intelligence, O’Reilly
(2007)
35. Bibliografía
Tao Zhou et al., Bipartite network projection and
personal recommendation, Physical Review E 76,
046115 (2007)
Yi-Cheng Zhang et al., Heat Conduction Process on
Community Networks as a Recommendation Model,
Physical Review Letters 99, 154301 (2007)
A. Passant & Y. Raymond, Combining Social Music
and Semantic Web for music-related recommender
systems, Social Data on the Web (2008)